توضیحات
در حال آماده سازی پروژه و تولید ویدئو هستیم.
جلسه۲۲: آموزش یک پروژه عملی درجهت پردازش تصویر در رپیدماینر
اطلاعات بیشتر
| مدت زمان آموزش | 3 ساعت و 20 دقیقه |
|---|---|
| روش دریافت | دریافت لینک مستقیم دانلود |
| حجم آموزش | 475 مگابایت |
شاید شما این را نیز دوست داشته باشید…
-
1
1
در این جلسه آموزشی از دوره های رپیدماینر اقدام به متن کاوی یا تکست ماینینگ بر روی متن ها خبری با استفاده از الگوریتم های محبوب یادگیری ماشین اعم از درخت تصمیم، نایوبیز و غیره نموده ایم. این جلسه آموزشی به شما کمک می کند تا بتوانید پژوهش هایی در زمینه تحلیل عقاید و احساسات کاربران، طبقه بندی متون فارسی و لاتین، کاوش دانش های پنهان و غیره بر روی انواع دیتاست ها ارزیابی نموده و در عمل مورد آزمایش قرار دهید.
مشاهده و خرید1
1
در این جلسه آموزشی اضافه نمودن پلاگین در نرم افزار داده کاوی رپیدماینر، یکی از مهمترین مشکلات بسیاری از کاربران و دانشجویان علاقه مند به نرم افزا رداده کاوی رپیدماینر در ارتباط با ارزیابی عملکرد یا کارایی الگوریتم های خوشه بندی مثل K-Means، X-Means و غیره، محاسبه میزان عملکرد این الگوریتم ها می باشد. در این جلسه آموزشی از مجموعه دوره های نرم افزار داده کاوی رپیدماینر، فرآیند ارزیابی کارایی الگوریتم های خوشه بندی تدریس می گردد.
مشاهده و خریدجلسات مرتبط
-
1
مهمترین وظیفه خوشه بندی تقسیم کردن جمعیت یا داده های در چندین گروه است، به طوریکه نقاط داده ای در یک گروه نسبت به نقاط داده ای در گروه دیگر مشابه نیست. عبارت ساده تر، هدف اصلی خوشه بندی این است که گروه ها با صفات مشابه را جدا ساخته و آن ها را به خوشه ها اختصاص دهیم.
از جمله مهمترین کاربردهای خوشه بندی عبارتند از: جدا سازی داده های Outlier در یک مجموعه داده، گروه بندی جمعیتی از نمونه ها، حذف نمونه های پنهان و غیره.با این وجود در این جلسه آموزشی بصورت فراگیر خواهید آموخت که نحوه خوشه بندی داده های حملات در یک سیستم مثل سیستم ناسا به چه صورت خواهد بود. بعبارت دیگر فرآیند خوشه بندی با استفاده از الگوریتم های K-Means و X-Means و K-Medio ds و DBSCAN را با هم خواهید آموخت.
مشاهده و خرید1
در این جلسه آموزشی از مجموعه جلسات دوره آموزشی رپیدماینر(rapidminer)، مقدماتی در ارتباط با مباحث پایه داده کاوی که پیش نیازی برای یادگیری نرم افزار رپیدماینر است، مطرح می گردد. به طور خلاصه می تواند این گونه بیان نمود که در این جلسه مباحثی پیرامون شناخت انواع داده ها، تشریح انواع روشهای داده کاوی اعم از تکنیک های بدون نظارت و تکنیک های با نظارت، تبدیل داده به فرمت های قابل قبول نرم افزار داده کاوی رپیدماینر، تفکیک داده های آزمایشی(Test Data)، تفکیک داده های آموزشی(Train Data)، آماده سازی داده ها و اعمال پیش پردازش بر روی داده ها.
این جلسه آموزشی به صورن رایگان در اختیار کاربران گرامی رایان پژوهان پارسه قرار گرفته است تا بتوان اندکی در رشد علمی شما شریک باشیم.
مشاهده و خرید1
در این جلسه آموزشی از مجموعه جلسات دوره آموزشی رپیدماینر، فرآیند انتخاب ویژگی از دیتاست سرطان سینه (بعنوان نمونه با کمک کنترل Optimization و هسته الگوریتم های طبقه بندی مثل SVM، درخت تصمیم، شبکه عصبی، KNN، نایوبیز و غیرہ صورت میپذیرد. در این جلسه آموزشی بصورت خاص کنترل بهینه سازی و انتخاب ویژگی Optimization بصورت تئوریک و عملی تدریس می گردد. دیتاست سرطان سینه به عنوان منبع داده به الگوریتم انتخاب ویژگی Optimization وارد میشود. این الگوریتم بر اساس هسته SVM، درخت تصمیم، شبکه عصبی، KNN نایوبیز و غیره فرایند دسته بندی زیر مجموعه ویژگی ها را انجام داده و در نهایت به هر ویژگی یک وزن بین ۰ و۱ اختصاص میدهد. در نهایت با تولید خروجی مربوط به هر ویژگی میتوان تعیین کرد که کدام ویژگی دارای وزن بالاتری نسبت به بقیه ویژگیها میباشد. جلسه آموزشی انتخاب ویژگی در رپیدماینر بصورت پروژه محور بوده و یک پروژه عملی را بصورت کامل و با جزئیات تدریس می نماید. با خرید این دوره آموزشی میتوانید به راحتی فرآیند انتخاب ویژگی را بر روی هر دیتاستی در رپیدماینر انجام دهید.
مشاهده و خرید1
طبقه بندی، پیش بینی و واژه تشخیص را بصورت ترکیبی یا در کنار هم می توان به این جلسه آموزش اطلاق نمود. در هشتمین جلسه آموزشی رپیدماینر با کلیه الگوریتم های طبقه بندی یا classification و انجام یک نمونه عملی بر روی داده سرطان سینه در زنان و داده های برق مصرفی جهت پیش بینی بصورت کامل و تخصصی آشنا خواهید شد. در این جلسه آموزشی نحوه اعمال الگوریتم هایی مثل درخت تصمیم، شبکه عصبی، ماشین بردار پشتیبان، KNN و غیره جهت طبقه بندی و تشخیص سرطان سینه و پیش بینی برق مصرفی خانه ها را خواهید آموخت.
مشاهده و خرید
نقد و بررسی ها
هیچ دیدگاهی برای این محصول نوشته نشده است .